Hvorfor bedre produktivitet begynner med å forstå arbeidet

David Rice: Når en toppleder ser på organisasjonen, ser vedkommende et organisasjonskart og et prosessdokument. Rolle A gjør ferdig noe og gir det videre til rolle B, som gir det videre til C. Det er ryddig, enkelt og nesten fullstendig fiktivt. I dagens episode snakker jeg med Heidi Farris, administrerende direktør i ActivTrak, om forskjellen mellom hvordan ledere tror arbeidet foregår, og hvordan det faktisk foregår.

Den reelle arbeidsflyten er summen av overleveringene, omveiene og den uformelle omdirigeringen som aldri kommer med i noe dokument. Heidi kaller den gode versjonen av dette for erfaringsbasert kunnskap. Det handler ikke om typen kunnskap der man vet alt om virksomheten, men om de små daglige tilpasningene som holder ting i gang. Folk gjør arbeidet bedre hver eneste dag, sier Heidi.

Problemet er at dette egentlig ikke kommer frem i dokumentasjonen. Derfor skal vi i dag se på hvorfor den dokumenterte prosessen sjelden samsvarer med hvordan arbeidet faktisk blir gjort, de tre kategoriene for å avgjøre hvor kunstig intelligens hører hjemme i en rolle, hva som skjer med organisasjonens gjennomstrømning når ett team setter opp farten uten at naboteamene gjør det samme, og de reelle tegnene på at en virksomhet har gått fra å ta i bruk kunstig intelligens til å skape effekt med den.

Jeg heter David Rice. Dette er People Managing People, og hvis organisasjonen din måler suksess med kunstig intelligens ut fra bruksstatistikk i stedet for hva som skjedde med kapasiteten teknologien frigjorde, viser denne samtalen deg hva du går glipp av. Så setter vi i gang.

Greit, Heidi, velkommen til programmet. Hyggelig å ha deg her.

Heidi Farris: Takk, David. Det er veldig hyggelig å være her.

David Rice: Jeg hadde lyst til å begynne samtalen med dette: Når en toppleder ser på organisasjonen i dag, tror jeg at en av de vanligste frustrasjonene mange har med ledere på jobb, er at det virker som om de egentlig ikke vet hva arbeidet innebærer.

Jeg er nysgjerrig på hva en toppleder vanligvis misforstår om hvordan arbeidet faktisk blir gjort.

Heidi Farris: Jeg tror det er noe mange organisasjoner strever med i dag. Når man ser på landskapet, snakker alle om å redesigne arbeidet eller bruke kunstig intelligens i arbeidet, men det lederne ser, er et organisasjonskart og et prosessdokument.

Rolle A gjør ferdig noe, gir det videre til rolle B, og deretter fra B til C. Det skal liksom være en pen og ryddig overlevering. Vi har en tendens til å forenkle hvordan arbeidet faktisk blir gjort i organisasjoner. En enkelt medarbeider kan lett navigere mellom dusinvis av apper, flere godkjenningsprosesser, mange ulike interessenter og omveier i løpet av en dag.

Den virkelige arbeidsflyten er summen av overleveringene, omveiene og den uformelle omdirigeringen folk håndterer, men som ikke vises i et prosessdokument eller på et organisasjonskart. Den er i stor grad usynlig for toppen, og vi mister raskt kontakten med hvordan arbeidet egentlig blir gjort i en organisasjon.

David Rice: Ja. Det er vel ganske naturlig. Når man beveger seg oppover i hierarkiet, blir ting redusert til diagrammer, standardiserte driftsprosedyrer og instrumentpaneler. Jeg tror det finnes et interessant skille mellom innsikt i medarbeiderne og innsikt i arbeidet. Det er egentlig ikke det samme, er det vel?

Heidi Farris: Nei, nettopp. Det er selve arbeidet vi bryr oss om. Medarbeidere prøver instinktivt å gjøre sitt beste. Det handler mer om hvordan vi kan bidra til å forbedre arbeidet i en organisasjon, eller forstå hvordan arbeidet foregår slik at vi kan forbedre det, samtidig som mennesker kan bruke skjønn og empati i arbeidet på måter kunstig intelligens ikke kan.

David Rice: Hvis du skal avgjøre hvor kunstig intelligens bør endre måten arbeidet blir gjort på, hva må du først forstå om arbeidet? Hva er det viktigste som kan bidra til å forme beslutningen?

Heidi Farris: Du må forstå oppgavene som utføres av hver rolle. Du må kunne plassere dem i kategorier, fordi jobber består av samlinger av oppgaver, og kunstig intelligens endrer arbeid ved å endre oppgaver, ikke nødvendigvis ved å erstatte hele roller.

Det finnes deler av enhver rolle som kunstig intelligens kan være nyttig for. Det første er derfor å kategorisere oppgavene i en gitt rolle som repetitive, strukturerte og regelbaserte oppgaver, som egner seg godt for kunstig intelligens; oppgaver der kunstig intelligens fungerer som en assistent og som krever rask sammenstilling av data eller mønstergjenkjenning; og oppgaver som er særskilt menneskelige og krever empati, emosjonell intelligens og skjønn.

Det er første steg, og de fleste hopper helt over det og kaster teknologi på alle problemer.

David Rice: Det er interessant at du sier det. Jeg tenkte tidligere på at jeg hadde sett noen snakke om empati som det viktigste fremover, og jeg tror det er noe vi ikke har lært bort særlig godt.

Vi har ofte sett på det som et personlighetstrekk i stedet for en ferdighet. En fare med kunstig intelligens er at nytten på oppgavenivå kan distrahere oss fra spørsmålet om oppgaven i det hele tatt bør eksistere i sin nåværende form. Det finnes ulike nivåer av inngrep. Du kan forbedre oppgaven, du kan kanskje fjerne den, eller du kan redesigne arbeidsflyten. Du kan også revurdere resultatet du prøver å skape.

Det er forskjell på å spørre «Kan kunstig intelligens gjøre dette?» og å spørre «Hvorfor må noen gjøre dette?» Det siste spørsmålet virker mer avgjørende. De enkleste tingene å automatisere er derfor ikke nødvendigvis de mest verdifulle tingene å endre.

Heidi Farris: Det stemmer. Hver gang man gjennomfører en kartlegging, lyser kunstig intelligens opp arbeidet, men det du beskriver, har egentlig alltid eksistert. Over tid samler vi opp arbeidsgjeld på samme måte som en teknologistakk eller et produkt samler opp teknisk gjeld.

Det finnes ting man på et tidspunkt må revurdere og spørre: «Hvorfor gjør vi egentlig dette lenger?» Man må gjennomføre en full kartlegging og forstå de ulike arbeidstypene og hvordan de kan forbedres. Ikke alt handler om kunstig intelligens. Kunstig intelligens er ikke løsningen på alle problemer vi ser i arbeidet. Noen ganger må arbeidsflyten redesignes, noen ganger trenger medarbeiderne bedre tilrettelegging, og noen ganger er teknologien rett og slett feil.

Du må forstå hvordan arbeidet foregår og hvilke oppgaver som utføres, slik at du kan dele arbeidet opp og si: «Slik forbedrer vi faktisk dette.» Det kan være kunstig intelligens, men det kan også være noe annet.

David Rice: La oss si at kunstig intelligens gir et team 15 prosent av kapasiteten tilbake. Vi har sett mange produktivitetsgevinster, blant annet at administrative oppgaver blir enklere. Men hvis folk får tilbake kapasitet, hvilken beslutning må tas deretter?

Hva er det første steget for å omdisponere kapasiteten med forretningsverdi i tankene? Hvis du overlater det til medarbeiderne, kan resultatet bli ganske interessant.

Heidi Farris: Det første er å gi noen i organisasjonen myndighet til å ta beslutninger. Kapasitet omdisponerer ikke seg selv. Hvis ingen har et tydelig ansvar for den, blir den stille absorbert tilbake i organisasjonen. Den kan bli brukt på arbeid med lav verdi eller forsvinne inn i en samtale i Slack.

Det finnes også arbeidsoppgaver som har samlet seg opp over tid, men som kanskje ikke er det mest verdifulle arbeidet du ønsker at folk automatisk skal gå tilbake til. Det andre er å avgjøre hvilken kategori kapasiteten skal gå til. Er målet kostnadsreduksjon, slik at funksjonen skal krympes? Er det reinvestering, slik at frigjorte timer skal brukes på arbeid med høyere verdi? Eller er det ekspansjon, slik at organisasjonen skal ta på seg et helt nytt prosjekt eller en ny type arbeid?

Hver kategori har et forskjellig økonomisk resultat. Noe knyttes til EBITDA, noe til vekst, og noe til å skille seg ut i markedet. Hvis du bare feirer bruken av teknologien og aldri undersøker hvilken kategori kapasiteten endte i, vil du aldri kunne trekke en linje til resultatregnskapet og si: «Slik oppnådde vi det.»

Å gjøre arbeidet bedre er bare den ene halvdelen av ligningen. Den andre halvdelen er å vise hvor resultatene kommer til uttrykk i organisasjonens økonomiske profil.

David Rice: Ja, og jeg er helt enig i det du sa om at kapasiteten kan bli til arbeid med lav verdi. Jeg snakket nylig med en leder i en annen medieorganisasjon.

De hadde frigjort mye tid ved å bruke kunstig intelligens i den kreative planleggingen, men medarbeideren ble deretter bedt om å fylle ut flere regneark og administrere dem. Tiden som var frigjort, ble altså brukt på å administrere regneark.

Jeg spurte om det virkelig var en god bruk av kapasiteten som var skapt. Kunstig intelligens kunne sannsynligvis ha håndtert regnearkene også, men det betyr ikke automatisk at man ikke lenger trenger medarbeideren. Det er den delen av fortellingen vi ofte mister av syne: reduksjon i antall ansatte.

Det finnes mange andre ting kapasiteten kan brukes til. Det virker som om det mangler en ledelsesbeslutning mellom «Vi sparte tid» og «Vi skapte verdi». Noen må bestemme hva tiden skal brukes til. Bør ledere avgjøre hvordan kapasiteten skal omdisponeres før de automatiserer?

Heidi Farris: Ja, fordi du bør begynne med målene dine. Hvis målet er EBITDA gjennom å fjerne roller, må du først forstå hvor det største potensialet for automatisering med kunstig intelligens finnes i organisasjonen.

Hvis en rolle derimot består av 80 prosent oppgaver som krever enten kunstig intelligens som assistent eller mye menneskelig skjønn, kommer du ikke til å fjerne rollen. Gjør du det, kommer du til å ansette folk tilbake fordi du oppdager at menneskelig skjønn, empati og evnen til å kvalitetssikre det kunstig intelligens forteller deg, er viktig.

Det er noe helt annet enn å automatisere en veldefinert, datadrevet prosess. Hvis en rolle i stor grad består av de andre oppgavene, vil du uansett ikke oppnå den EBITDA-effekten du ønsker. Derfor er det svært viktig å forstå målet før du begynner. Ellers kan du gjøre mye arbeid uten å nå målet ditt.

David Rice: Kunstig intelligens i bruk og verdien av kunstig intelligens er altså ikke det samme. Det ene fører ikke automatisk til det andre. Hva bør ledere måle for å vite om kunstig intelligens skaper meningsfull kapasitet, og om kapasiteten gir bedre forretningsresultater?

Heidi Farris: Bruksstatistikk måler innføring. Du trenger imidlertid et før- og ettermål. Du må forstå hvordan for eksempel gjennomløpstid og gjennomstrømning så ut før du innførte en endring, enten den var basert på kunstig intelligens eller ikke, og hvordan arbeidet så ut etterpå.

Uten et før- og etterbilde er det vanskelig å vurdere hvordan det nye du innførte i prosessen, faktisk påvirket arbeidet. Ble kapasiteten bedre? Ble gjennomstrømningen bedre? Hvor oppnådde du en gevinst?

Det nesten ingen følger med på, er hvor kapasiteten faktisk gikk. Hvis du ikke kan svare på hva teamet gjør med tiden kunstig intelligens ga tilbake, har du ingen historie om avkastning på investeringen. Du har bare en historie om innføring. Du brukte penger og tok i bruk flere verktøy, men knyttet dem ikke til noe meningsfullt i virksomheten.

David Rice: Du sa nettopp: Hva gjør teamet? Jeg tror det må være selve fokuset. Individuell produktivitet er forlokkende fordi den er enkel å demonstrere. «Dette tok tidligere 40 minutter, nå tar det 10.»

Men får organisasjonen faktisk en gevinst av at én persons prosess går litt raskere? Du kan bli 30 prosent mer produktiv uten at organisasjonen blir 30 prosent mer produktiv. Hvis jeg gjør arbeidet mitt dobbelt så raskt, men det deretter blir liggende i en annens kø som en flaskehals i tre dager, har vi egentlig forbedret noe?

Det er nyttig å skille mellom effektivitet på oppgavenivå, gjennomstrømning i arbeidsflyten og forretningsresultater. Hvorfor er det ofte så stort sprik mellom hvordan ledere tror en arbeidsflyt fungerer, og hvordan den faktisk blir gjennomført?

Heidi Farris: Prosessdokumentet er et øyeblikksbilde, mens arbeidet er et mål i bevegelse. Arbeidet endrer seg hele tiden. Vi sier ofte internt at et prosessdokument sjelden overlever møte med arbeidsstyrken.

Det betyr ikke at folk gjør feil. Det betyr bare at et prosessdokument ikke viser alle nyansene når prosessen brukes i praksis. De som står nærmest arbeidet, gjør dusinvis av små tilpasninger hver eneste uke for å gjøre det bedre. Disse tilpasningene blir sjelden ført tilbake til et dokument. Når du multipliserer dette med hundrevis eller tusenvis av roller over mange år, blir forskjellen mellom den dokumenterte prosessen og den faktiske arbeidsflyten raskt større.

Ledere trenger et tydelig og kontinuerlig bilde av hvordan arbeidet blir gjort, slik at de kan lede organisasjoner smidig i en tid med kunstig intelligens.

David Rice: Jeg kan ikke komme på et eneste sted jeg har jobbet, der vi ikke hadde en omvei, en gjentakbar omvei som vi medarbeidere hadde utviklet. Den formelle prosessen samsvarer ikke med virkeligheten på bakken.

En risiko med kunstig intelligens er at vi prøver å automatisere den offisielle arbeidsflyten uten å forstå omveien som kanskje faktisk fikk ting til å fungere. Den var ikke del av den opprinnelige planen, men hvis vi fjerner den, må vi forstå hvor mye av prosessen som bryter sammen.

Heidi Farris: Som ledere gir vi ikke mennesker nok anerkjennelse for at de gjør arbeidet bedre hver eneste dag. De bruker resonnering og løser problemer. En ny medarbeider følger prosessdokumentet og klikker seg gjennom alle trinnene, men støter på noe som ikke fungerer.

Da kan personen ved siden av, en kollega i nærheten eller noen på Slack si: «Du må holde inne Shift-tasten, gå til Excel, kopiere det herfra og lime det inn der. Da fungerer alt igjen.» Vi gir ikke nok anerkjennelse til at mennesker finner ut av slike ting, selv om de ikke står noe sted i dokumentasjonen.

Folk kaller dette erfaringsbasert kunnskap. Mange tenker på det som at de vet mye om virksomheten. Men det er ikke den typen kunnskap som virkelig får en organisasjon til å fungere. Det er alle de små nyansene og omveiene, og kunnskapen om hvordan man får noe til å fungere hver eneste dag slik at virksomheten kan fortsette driften.

David Rice: Hva skjer med bemanningsplanleggingen når kunstig intelligens endrer kapasiteten i ulike funksjoner? Vi ser at dette skjer i ulik takt. For en analytiker blir det annerledes enn for noen innen markedsføring eller regnskap. Mange fagområder tar nå i bruk den samme teknologien, men effekten er ikke alltid den samme overalt.

Hva må vi ta høyde for når vi tenker på bemanningsplanlegging?

Heidi Farris: Vi hadde et godt internt eksempel. Ingeniørteamet vårt tok i bruk verktøy for programmering med kunstig intelligens og fant en svært effektiv måte å bruke dem på. De reduserte gjennomløpstiden og økte hastigheten på kodeleveransene. Gjennomstrømningen i ingeniørteamet ble mer enn doblet.

Det var en seier, og vi begynte å feire. Så oppdaget vi raskt at ingeniørene nå kunne skrive kode raskere enn produktledelsesteamet kunne utvikle nye krav. Vi hadde bare flyttet flaskehalsen fra én funksjon til en annen. Som organisasjon hadde vi derfor ikke forbedret den samlede gjennomstrømningen.

Organisasjoner må se helhetlig på virksomheten og forstå at alt arbeid henger sammen på en eller annen måte. Hvis én avdeling øker gjennomstrømningen eller reduserer gjennomløpstiden, må naboteamene tilpasse seg slik at de kan holde tritt med endringen.

David Rice: Det høres ut som et godt eksempel på utfordringen med bemanningsplanlegging. Det handler ikke om hvor mange personer vi trenger, men om hvor flaskehalsen flytter seg. Isolerte produktivitetsgevinster kan flytte flaskehalsen eller skape nye i stedet for å fjerne de gamle.

Heidi Farris: Noe av dette vil skje fordi du ikke kan gjøre alt samtidig. Derfor må du tenke sekvensielt. Du bør vurdere hvilken del du skal akselerere først, og hvor lenge det vil vare før du møter en flaskehals et annet sted.

Et kontinuerlig bilde av arbeidet i hele organisasjonen gjør det mulig å forstå hvor endringer i belastning og kapasitet kommer til å oppstå.

David Rice: Når du finner en arbeidsflyt som bruker mer kapasitet enn den burde, hvordan avgjør du om svaret er kunstig intelligens, redesign av prosessen, annen teknologi eller bedre tilrettelegging?

Heidi Farris: Ledere må først finne ut hva som faktisk skaper friksjonen. Hvis arbeidet er repetitivt, veldefinert og har høyt volum, er det en kandidat for automatisering eller kunstig intelligens. Hvis selve rekkefølgen er feil, med for mange godkjenninger, unødvendige overleveringer eller doble trinn, er det et problem med prosessdesign.

Hvis prosessen og verktøyene fungerer, men medarbeiderne ikke kjenner den beste måten å gjøre arbeidet på eller mangler ferdighetene som trengs, er det et tilretteleggingsproblem. Løsningen må samsvare med den faktiske årsaken til at arbeidet ikke er så effektivt eller godt som det kunne vært.

David Rice: Det virker som om det finnes et insentivproblem her. Vi har satt av budsjetter til kunstig intelligens, og ledere har lovet at organisasjonen skal være «AI-first». Da blir det mer attraktivt å kalle noe et bruksområde for kunstig intelligens enn å erkjenne at det egentlig er et kjedelig ledelses- eller prosessproblem.

En tilbakevendende manuell oppgave trenger kanskje bare automatisering, en ujevn oppgave trenger tydeligere standarder, og en forvirrende oppgave trenger opplæring. Vi må tenke på dette som ulike kategorier.

Heidi Farris: Kunstig intelligens er et stort teknologisk skifte og kommer til å endre måten vi alle arbeider på. Jeg forstår hvorfor organisasjoner satte inn et kraftig støt for å få folk til å endre vaner og arbeidsmåter.

Men nå må tilnærmingen bli mer gjennomtenkt. Organisasjoner må forstå roller, oppgaver, menneskebaserte oppgaver, oppgaver der mennesker får støtte av kunstig intelligens, og oppgaver som kan utføres av kunstig intelligens alene. Hvor hører kunstig intelligens hjemme, og hvordan skal organisasjonen hente ut langsiktige gevinster etter at alle har begynt å bruke teknologien?

David Rice: Det er nesten som et bybyggingsspill. Først bygger du en ryddig by, men etter hvert må du utvikle en mer detaljert, sammensatt og avansert by. Slik er det også med forståelsen av hva som skjer i arbeidet.

Teknologien endrer arbeidsflyter på tvers av funksjoner. HR har tradisjonelt eid jobber, talentsystemer og bemanningsplanlegging. Operasjon har eid prosesser, IT har eid teknologi, og økonomi har eid pengene. Når arbeidsflytene på tvers av disse funksjonene endres, hvem skal da ha ansvaret for å redesigne selve arbeidet?

Heidi Farris: Redesign av selve arbeidet trenger en eier med to ting som mange initiativer innen kunstig intelligens mangler. For det første trengs synlighet på tvers av hele arbeidsflyten, ikke bare én funksjons del. Da kan man forstå hvor arbeidet henger sammen og hvor kapasiteten flyter.

For det andre trengs faktisk myndighet til å endre hvordan arbeidet er strukturert. Uten den myndigheten kan du peke på alle stedene i organisasjonen, men du kan ikke gå inn og si: «Nå skal vi tenke helt nytt om hvordan arbeidet er organisert for denne funksjonen, rollen eller avdelingen.»

Det kan ikke bare være et AI- eller IT-team, fordi de ikke forstår funksjonsledernes nyanser. Det kan heller ikke bare være funksjonsledere, fordi de ikke kjenner hele kapasiteten kunstig intelligens kan tilføre organisasjonen. Det bør ofte ligge hos en person i en COO-lignende rolle som eier resultatene fra start til slutt og behandler redesign som en konkret leveranse på tvers av organisasjonen. Kunstig intelligens er bare én mulig løsning på problemet, ikke selve løsningen.

David Rice: Jeg er enig. Det siste året har vi snakket mye om at HR-direktørens ansvarsområde må utvides fra å utforme jobber og organisasjoner til å utforme hvordan menneskelig og maskinell kapasitet kombineres for å skape arbeid.

For dem som har gjort dette, har det imidlertid ført til mer ansvar for drift, ikke bare HR eller personalarbeid. Rollen har utviklet seg til et sted jeg ikke er sikker på er den langsiktige løsningen, for utfordringene knyttet til mennesker er store nok fra før.

Heidi Farris: Jeg er enig. Det kunstig intelligens tilfører HR-ledere, er at mennesker og drift begynner å bli sett i sammenheng. Mange organisasjoner plasserer HR på siden og sier at HR gjør sitt, mens resten driver virksomheten. HR har egne data, mens virksomheten har dataene den styrer etter.

Nå må dataene gi det samme bildet av arbeidet. Hvis du skal drive virksomheten og redesigne roller, er HR en viktig, om ikke den ansvarlige, interessenten i samtalen. Det påvirker blant annet lønn, titler og struktur.

Jeg tror derfor kunstig intelligens er spennende for HR-ledere som ønsker å bli en del av den daglige driften, i stedet for bare å være et etterlevelsessenter på siden av virksomheten.

David Rice: Du nevnte tidligere bruksstatistikk. Aktiverte lisenser, ukentlige aktive brukere og lanserte bruksområder forteller oss at vi bruker teknologien. De forteller ikke nødvendigvis at vi har gått lenger enn innføring og faktisk endret driften.

Hva er tegnene på at noen har gjort dette, og at virksomheten nå drives på en annen måte?

Heidi Farris: En organisasjon har kommet forbi innføringsfasen når ledelsen, eller hvem som helst i organisasjonen, kan forklare hvilket arbeid som ble redesignet, hva resultatet ble, og hvor dette vises i målene.

For ledelsen er dette resultatregnskapet. For teamene kan det være delmål. Det holder ikke å si at kundesuksessteamet nå sparer tid på å utarbeide kvartalsvise forretningsgjennomganger. Det viktige er å kunne si hvor gevinsten kom til uttrykk i et mål eller i resultatregnskapet.

Hvis teamet med den ekstra tiden kunne øke kundeporteføljen med 50 kunder per person, og forholdet mellom kundesuksessledere og kunder kunne endres fra én til 25 til én til 75, da begynner effekten å vises i målene og virksomheten.

Dette er kjennetegnene på at en organisasjon går fra innføring til effekt: Ikke bare fortell hva dere gjorde med kunstig intelligens, men fortell også hva dere gjorde med fordelen dere fikk fra kunstig intelligens.

David Rice: Jo flere slike samtaler jeg har, desto mer overbevist blir jeg om at effekten til slutt må bli synlig et sted. Den kan ikke bare ligge i et instrumentpanel. Den må vises i utformingen av roller, kunderesultater, organisasjonsstruktur eller ferdigheter.

Hvis teknologien faktisk forandrer organisasjonen, bør jeg kunne se bevis uten å se på en måling. Kanskje det ultimate tegnet på modenhet er at vi slutter å snakke om kunstig intelligens, fordi vi snakker om hvordan virksomheten drives.

Heidi Farris: Jeg er helt enig. HR og drift kommer til å samarbeide, og kunstig intelligens er én av mange løsninger når vi undersøker hvordan arbeidet blir gjort i dag.

David Rice: Heidi, det var faktisk alle spørsmålene jeg hadde til deg i dag. Takk for at du ble med og delte innsikten din. Det setter jeg stor pris på.

Heidi Farris: Takk for at du inviterte meg, David.

David Rice: Kjære lyttere, hvis dere ikke allerede har gjort det, kan dere gå til peoplemanagingpeople.com/subscribe og melde dere på alle nyhetsbrevene våre. Det kommer ut tre hver uke, og dere får alt innholdet samlet og sendt direkte til innboksen.

Til neste gang: Folk gjør allerede arbeidet bedre hver eneste dag. Ikke glem det.